你有没有经历过这样的开会场景：有人讲了十分钟方案，你埋头记笔记，抬头发现已经漏掉了另一个关键决策；会议结束，大家走出会议室时都很兴奋，可第二天没人记得谁答应了什么；终于有人把记录发到群里，打开一看，是三千字的流水账，根本没人愿意看。现在，想象会议室里悄悄多了一位“隐形实习生”，他叫 Fathom。他从不发言，但耳朵灵敏、笔头飞快，能把每个人的发言一字不差地记下来，还顺手标好“这话是谁说的”；散会后你刚走到咖啡机旁边，他就把一份浓缩到一页纸的会议纪要和一张“谁在什么时间前做什么”的行动清单，发到了你的消息里。这就是 Fathom AI——一款把“开会”从负担变成资产的会议记录助手。

岗位关联

学完这节课，你不仅会用 Fathom 这类 AI 会议工具把“跟会—纪要—跟进”的链路压缩到分钟级，还能理解数字员工落地的通用结构：感知、理解、行动，为 AI Agent 场景设计打下基础。

目录
  1. 可视化演示
  2. 一、实时转录：隐形记录员的“顺风耳”
  3. 二、AI摘要生成：连夜赶出的一页纸
  4. 三、行动项提取：管家列出的待办清单
  5. 四、关键片段标记：荧光笔与书签
  6. 五、与 Otter 对比：两位助理的不同风格
  7. 六、会议效率提升：让开会变成团队资产
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

AI Agent架构中的Fathom AI会议记录工具。你将学习Fathom的实时会议转录、AI摘要生成、行动... 切换模式查看不同维度。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Fathom：核心原理 动态展示关键流程与数据流动 交互控件调节参数实时渲染 f(x) = transform(x) 核心概念的可视化呈现

一、实时转录：隐形记录员的“顺风耳”

会议室里，小沓从会议开始第一秒就进入了工作状态。他坐在角落不说话，但耳朵竖得笔直，手里的笔飞速运动：谁开口，他就记谁的话；两个人同时插嘴，他也能分辨出两个声音，分别记到两个名字下面。这就是 Fathom 的实时转录——它不是会后补课的“抄写员”，而是全程在场的“同声速记员”。

在技术层面，实时转录由三步协作完成：第一步是音频采集，Fathom 通过浏览器或客户端直接接入线上会议的音频流；第二步是语音转文字（ASR），把声波变成文本，这一步相当于小沓的“耳朵加手”；第三步是说话人识别，根据声纹把每句话贴到对应的发言人名下，相当于小沓在笔记本上标注“这句是张伟说的”。三者叠加，参会者眼前就会实时滚动出带人名的字幕。

转录质量可以用词错误率（WER）来衡量：

有了实时转录这份“草稿”，后面所有工作才成为可能。小沓的速记本只是第一步，但正是这一步，决定了整场会议的信息有没有被忠实地保存下来。

WER=S+D+IN×100%\displaystyle WER = \frac{S + D + I}{N} \times 100\%
WER 越低，说明小沓“听写”得越准；优秀会议工具的 WER 通常能控制在 10% 以下。
  1. 统计三类错误$S$ 是替换错误，比如把“周三”写成“周期三”；$D$ 是删除错误，即漏写了某个词；$I$ 是插入错误，即多写了一词。
    S+D+I\displaystyle S + D + I
  2. 统计总词数$N$ 是参考文本的总词数，相当于一份“标准答案”里有多少个词。
    N\displaystyle N
  3. 计算错误率错误总数除以总词数再乘 100%，就得到 WER。数值越低，转录越接近标准答案。
    WER=S+D+IN×100%\displaystyle WER = \frac{S + D + I}{N} \times 100\%

二、AI摘要生成：连夜赶出的一页纸

会议结束后，所有人都离开了会议室，小沓却留了下来。他把厚厚一沓速记从头翻到尾，用荧光笔划出重点，再把两小时的内容浓缩成一张 A4 纸：背景、讨论、结论、下一步，清清楚楚。第二天早上，你喝着咖啡读这一页纸，十秒钟就补回了整场会议。

在 Fathom 里，这个过程由大语言模型（LLM）完成。Fathom 先拿到实时转录产生的完整文字稿，然后用预先设计好的提示词指挥 AI 大脑：“请把这份会议记录整理成结构化摘要，包括主题、结论、分歧点和待办事项。” 大模型读完整份稿件后，按这个结构输出一份分节纪要，甚至还能生成一封可直接发送的会议邮件模板。摘要生成后会自动归档到会议历史中，方便以后随时检索。

压缩率是理解摘要的关键指标：

小沓的一页纸不是简单删减，而是把散落在各处的信息按逻辑重新拼装。摘要不是偷懒，而是一种“提纯”。

CR=L摘要L原文×100%\displaystyle CR = \frac{L_{\text{摘要}}}{L_{\text{原文}}} \times 100\%
一场一小时的会议原文可能有一万字，AI 摘要通常只剩几百字，压缩率大约在 5%～15% 之间。
  1. 统计原文长度$L_{\text{原文}}$ 是完整会议记录的总字数，相当于小沓速记本的厚度。
    L原文\displaystyle L_{\text{原文}}
  2. 统计摘要长度$L_{\text{摘要}}$ 是 AI 生成的会议纪要总字数，相当于小沓交给你那页纸的字数。
    L摘要\displaystyle L_{\text{摘要}}
  3. 计算压缩率摘要长度除以原文长度，再乘 100%。压缩率越低，说明提炼力度越大，但也不能低到丢信息。
    CR=L摘要L原文×100%\displaystyle CR = \frac{L_{\text{摘要}}}{L_{\text{原文}}} \times 100\%

三、行动项提取：管家列出的待办清单

小沓还有另一个身份：管家。他不仅记录会议说了什么，还会在速记本最后一页单独列一张清单：“李娜负责界面设计，周五前交稿”“王强下周二前完成接口联调”。每个人走出会议室时，都清楚自己该做什么、什么时候做完。这就是行动项提取——把会议中的语言承诺，翻译成可执行的待办。

Fathom 对转录稿做两件事：第一，识别“任务句”，那些包含“我负责”“请”“需要”“下周前”等信号词的句子，有很大概率是行动项；第二，用大模型抽取行动项的结构化字段——责任人是谁、动作是什么、截止时间是什么，然后把结构化任务同步到 Jira、Asana、CRM 等团队工具。你可以理解为：小沓不仅列出了清单，还把每项任务自动填进了团队的项目管理看板。

行动项判定的核心是一个概率模型：

行动项是会议从“讨论”走向“执行”的桥梁。没有它，会议就只是一群人聚在一起聊天；有了它，每句“我来处理”都变成了看得见的进度。

A=∑i=1nI[P(ai∣si)>θ]\displaystyle A = \sum_{i=1}^{n} \mathbb{I}\left[P(a_i \mid s_i) > \theta\right]
这个公式想说：模型对每句话都给出“这句话是不是行动项”的概率，概率超过阈值，就算一条行动项。
  1. 切分发言$s_i$ 是转录稿切分出的第 $i$ 条发言片段，相当于把速记本按句割开。
    s1,s2,…,sn\displaystyle s_1, s_2, \dots, s_n
  2. 判断概率$P(a_i \mid s_i)$ 表示模型认为第 $i$ 句里含有行动项的概率。
    P(ai∣si)\displaystyle P(a_i \mid s_i)
  3. 阈值过滤$\theta$ 是预先设定的阈值，只有概率超过它，才判定这句是行动项，避免把闲聊也当成任务。
    P(ai∣si)>θ\displaystyle P(a_i \mid s_i) > \theta
  4. 累计成数$\mathbb{I}[\cdot]$ 是指示函数，条件成立记 1，不成立记 0，把 n 句话全部相加，就得到这场会议的行动项数量 $A$。
    A=∑i=1nI[P(ai∣si)>θ]\displaystyle A = \sum_{i=1}^{n} \mathbb{I}\left[P(a_i \mid s_i) > \theta\right]

四、关键片段标记：荧光笔与书签

小沓桌上总放着两支笔：一支黑笔速记，一支荧光笔划重点。当有人说出关键决策或争议点时，他会立刻在那一行划上荧光色，再夹一枚书签。两周后有人问“当时到底怎么定的”，他翻到对应页，三秒找到原文。这就是关键片段标记的日常形态。

Fathom 把这种能力搬进了视频回放里。它的标记有两种来源：一是手动打标，参会者在时间线上点一下，就能给当前时刻贴上标签，比如“决策”“风险”“待讨论”；二是 AI 推荐标记，系统自动扫描转录稿，找出高频关键词密集、或语义上比较重要的片段，主动建议“这里可能值得回看”。每一个标记都对应一个精确到秒的时间戳，可以生成一个分享链接，同事点击后直接跳转到录像的对应位置，不需要拖进度条。

AI 如何判断一个片段“关键”？一个简化思路是用词频与稀有度加权打分：

有了荧光笔和书签，团队再也不用为“当时那句话到底怎么说的”吵架。标记让会议录像变成了可索引的证据库。

score(s)=∑w∈stf(w,s)⋅idf(w)\displaystyle \text{score}(s) = \sum_{w \in s} \text{tf}(w, s) \cdot \text{idf}(w)
一句话里越常出现“合同”“风险”“截止”这类词，同时这类词在其他片段里越少见，这句话就越可能是全场的关键点。
  1. 统计词频$\text{tf}(w, s)$ 表示词 $w$ 在片段 $s$ 中出现的频率，频率越高，越可能是话题中心。
    tf(w,s)\displaystyle \text{tf}(w, s)
  2. 计算稀有度$\text{idf}(w)$ 表示 $w$ 在整个会议中的稀有程度，越少见的词，携带的信息量越大。
    idf(w)\displaystyle \text{idf}(w)
  3. 累加打分对片段中每个词计算“词频乘以稀有度”，再全部加起来，分数越高的片段越值得标记推荐。
    score(s)=∑w∈stf(w,s)⋅idf(w)\displaystyle \text{score}(s) = \sum_{w \in s} \text{tf}(w, s) \cdot \text{idf}(w)

五、与 Otter 对比：两位助理的不同风格

如果说小沓是会议室里的“全能管家”，那另一位叫 Otter 的助理更像“随身速记员”。两人都记笔记，但笔记的风格和服务的重心很不一样。小沓（Fathom）擅长会后把事情梳理成清单、把任务推进到下一个环节；而 Otter 更擅长在课堂上、访谈中实时给出干净的字幕文字稿。

这两种定位差异体现在四个方面。产品定位上，Fathom 面向团队会议协作，围绕“开会—总结—跟进”设计；Otter 则面向个人记录场景，围绕“实录—搜索—分享”设计。核心功能上，Fathom 强在 AI 摘要、行动项提取和外部工具同步；Otter 的优势是实时字幕响应快、多语言转写和课堂笔记模板。适用场景上，团队周会、客户沟通、需求评审适合 Fathom；课堂听讲、采访录音、个人灵感记录适合 Otter。计费方式上，Fathom 提供免费档且不限制会议时长，付费档解锁高级工作流；Otter 有免费额度，但深度功能需要订阅专业版。

选择工具可以算一笔“需求匹配账”：

选工具就像选助理，不是看谁名片上的头衔多，而是看谁更能补上你工作流里那块短板。

fit=∣Fneed∩Ftool∣∣Fneed∣×100%\displaystyle \text{fit} = \frac{\left| F_{\text{need}} \cap F_{\text{tool}} \right|}{\left| F_{\text{need}} \right|} \times 100\%
把团队需要的功能列成清单，再看工具能覆盖多少。覆盖率高的就是当下更合适的助理。
  1. 列出需求集合$F_{\text{need}}$ 是你工作流里需要的功能集合，例如“实时字幕、会后纪要、行动项同步”。
    Fneed\displaystyle F_{\text{need}}
  2. 列出产品能力$F_{\text{tool}}$ 是工具实际提供的功能集合。
    Ftool\displaystyle F_{\text{tool}}
  3. 求交集并归一分子是两个集合重合的功能数量，除以需求总数，得到覆盖率。覆盖率越高，说明工具越贴合你的工作流。
    fit=∣Fneed∩Ftool∣∣Fneed∣×100%\displaystyle \text{fit} = \frac{\left| F_{\text{need}} \cap F_{\text{tool}} \right|}{\left| F_{\text{need}} \right|} \times 100\%

六、会议效率提升：让开会变成团队资产

自从团队多了小沓，会议室里的气氛变了。以前开会，人人低着头奋笔疾书，偶尔抬头发言，说完了又赶紧低头补笔记；现在大家不再担心遗漏，眼睛看着彼此，讨论更快、更聚焦，决策也更有底气。因为每个人都清楚：有一双可靠的耳朵正在替所有人记录。

Fathom 把这种效率改善贯穿到会议的前中后三个环节。会前，它可以根据过往资料生成会议议程模板，让讨论有框架；会中，实时转录和说话人识别自动运行，参会者零负担；会后，摘要、行动项、关键片段自动整理并分发到团队协作工具，缺席的人也能快速补课。从整个团队视角看，会议不再是说完就忘的“口头的风”，而变成可检索、可分享、可复盘的知识库。

我们可以用“单位时间的行动产出”来衡量会议效率：

有了小沓，团队原本被会议吞掉的时间，开始重新变成行动和成果。会议不再是时间黑洞，而是团队的资产。

η=NactionableTmeeting\displaystyle \eta = \frac{N_{\text{actionable}}}{T_{\text{meeting}}}
同样一小时的会，行动项越多、越清晰，会议效率越高；反之，开完会没有产出，效率就是零。
  1. 数行动项$N_{\text{actionable}}$ 是会议结束后真正落地的行动项数量，这是会议的“有效成果”。
    Nactionable\displaystyle N_{\text{actionable}}
  2. 记录时长$T_{\text{meeting}}$ 是会议持续的小时数，这是团队投入的“成本”。
    Tmeeting\displaystyle T_{\text{meeting}}
  3. 求单位产出行动项除以会议时长，得到每小时产生多少可执行任务。数值越高，这场会开得越值。
    η=NactionableTmeeting\displaystyle \eta = \frac{N_{\text{actionable}}}{T_{\text{meeting}}}

AI 应用场景

场景一：销售会议的“客户承诺追踪器”

阶段：Agent 感知与执行——实时转录、摘要生成、行动项同步

解决的问题：销售团队开完客户会议后，口头承诺容易丢，客户需求散落在各人的笔记本里，后续跟进全靠回忆。Fathom 把会议录音变成结构化纪要，自动提取“客户要求什么、谁负责、何时反馈”，并同步到 CRM。

具体案例：一家 SaaS 公司的销售经理与客户开产品演示会，会后立刻收到 Fathom 生成的纪要，其中“客户要求下周四前提供安全合规文档”被自动提取为任务，指派给售前工程师并同步到 Salesforce，当晚客户就收到了确认邮件。

场景二：跨国远程团队的“异步补课机”

阶段：AI 理解与记忆——说话人识别、摘要生成、自动存档

解决的问题：跨国团队开会常有时差，部分同事无法参会；即使参加，口音和语速也会导致信息遗漏。Fathom 的说话人识别让每个人知道“谁说了什么”，摘要和存档则让不同时区的人异步补课。

具体案例：一个中美联合产品团队每周五开周会，北京的同事周一早上打开 Fathom 摘要，发现旧金山同事在周会上提出“下周一要冻结需求范围”，随即在 Slack 里更新了排期，不用再单独追问任何人。

场景三：产品需求评审会的“现场回放裁判”

阶段：AI 决策辅助——关键片段标记、分享定位、快速回放

解决的问题：需求评审会信息密度极高，一句“这个按钮交互再想想”如果没有上下文，会后根本没法执行。Fathom 的关键片段标记把重要讨论贴好时间戳，解决“当时到底怎么说的”的争议。

具体案例：一家创业公司的评审会上，设计师点击标记了“支付流程存在风险”那段讨论，并直接把链接分享给后端同事。后端点击链接跳转到录像对应位置，快速定位上下文，第二天就给出了技术方案。

Python 演示

python54 行
"""Fathom 简化版: 会议转录 -> 摘要 -> 行动项 -> 关键片段"""import refrom collections import Counter MEETING = [    ("张伟", "今天我们讨论新版 AI 助手的发布计划。"),    ("李娜", "我负责界面设计, 周五前给出高保真稿。"),    ("王强", "我需要在下周二前完成后端接口联调。"),    ("张伟", "好的, 请李娜和数据组对齐数据格式。"),    ("李娜", "我去联系数据分析师, 今天下午同步。"),    ("王强", "发布会文案需要市场部周二提供终稿。"),]  def summarize(spk_list, top_k=3):    """从发言中提取高频词作为会议主题摘要"""    words = []    for _spk, text in spk_list:        words.extend(re.findall(r"[\u4e00-\u9fff]+|\w+", text))    freq = Counter(words)    hot = [w for w, _c in freq.most_common(top_k) if len(w) >= 2]    return "会议重点围绕: " + "、".join(hot)  def extract_actions(spk_list):    """用信号词识别可能演变为行动项的句子"""    actions = []    for spk, text in spk_list:        match = re.search(r"(?:我|请|需要|负责|去|要).{0,20}", text)        if match:            actions.append((spk, match.group()))    return actions  def main():    print("== 1. 实时转录 ==")    for spk, text in MEETING:        print("[%s] %s" % (spk, text))    print("\n== 2. AI 摘要 ==")    print(summarize(MEETING))    print("\n== 3. 行动项提取 ==")    for spk, action in extract_actions(MEETING):        print("- %s: %s" % (spk, action))    print("\n== 4. 关键片段提示 ==")    freq = Counter(        w for _s, text in MEETING        for w in re.findall(r"[\u4e00-\u9fff]+", text) if len(w) >= 2    )    for word, count in freq.most_common(2):        print("高频主题词[%s] 出现 %d 次, 值得回放" % (word, count))  if __name__ == "__main__":    main()
目的：用 30 行代码模拟 Fathom 的核心流水线——把一场会议的文字转录，依次加工成 AI 摘要、行动项清单和关键片段提示。
  1. MEETING = [...]模拟 Fathom 实时转录的分段结果，每条发言包含说话人和文本。
  2. def summarize(spk_list, top_k=3)对应“AI 摘要生成”环节，用高频词概括会议主题。
  3. words.extend(re.findall(...))用正则从每句话中切出中文词和英文词。
  4. freq.most_common(top_k)取出出现次数最多的前三个词，作为会议关键词。
  5. match = re.search(r"(?:我|请|需要|负责|去|要).{0,20}", text)对应“行动项提取”里的信号词识别，找到包含承诺信号的句子。
  6. for spk, action in extract_actions(MEETING)把行动项以“发言人：动作”的格式打出来。
  7. freq.most_common(2)对应“关键片段提示”，找出全场最高频的两个主题词，提示回放重点。

常见误区

误区Fathom 不是已经把每句话都记下来了吗？我自己翻文字版就行，AI 摘要可有可无吧。

正解转录稿是原料，不是成品。就像小沓的速记本是厚厚一叠草稿纸，直接翻会花掉你两倍时间。AI 摘要是小沓整理好的一页纸，把讨论、结论、待办分开，十秒就能看完全场重点。正确用法是“摘要当入口、转录当底稿、标记当证据”，它们各有分工。

为何常见：因为“逐字记录”是最直观可见的能力，容易让人误以为“记录完整”就等于“理解完毕”。

误区既然 AI 能记录能总结，以后我挂个 Fathom 就算我参会了，人不用去了。

正解Fathom 只能“听和记”，不能“说和想”。它不会代表你发表观点，也无法替你做决策。它更像会议里的速记实习生，而不是你的替身。参会者仍然需要倾听、讨论和拍板，AI 只是让大家更省力地做好这些事。

为何常见：媒体常把这类工具称为“AI 参会”，过度拟人化的宣传放大了这种错觉。

误区AI 记下来的文字肯定没毛病吧？我们老板口音很重，但我看它也记下来了。

正解再好的语音识别也有词错误率（WER）。人名的同音字、行业术语、嘈杂环境和方言，都会造成替换、漏词或多写。小沓耳朵再灵，也有听岔的时候。所以重要信息要以录音为准、以人核对为准，Fathom 也会引导你回听关键片段来验证。

为何常见：演示视频通常在安静环境里用标准普通话录制，给用户留下了“永远正确”的错觉。

误区Otter 有免费额度，Fathom 要付费，那就用 Otter 呗，反正都是转文字。

正解两个工具定位完全不同。Otter 更像随身速记员，强在实时字幕和课堂笔记；Fathom 更像全能会议管家，强在会后的摘要、行动项提取和 CRM 同步闭环。如果团队最痛的是“开完会没人跟进”，免费额度反而会成为新的负担。

为何常见：价格和功能列表最容易直接比较，而“工作流匹配度”只有经历过真实项目才能体会。

面试题

Q1. Fathom AI 最核心的实时能力是什么？

单选题 · easy

  • A.自动预订三号会议室
  • B.实时语音转文字转录← 正确答案
  • C.生成会议邀请链接
  • D.自动翻译成多国语言

答案：B。Fathom 的核心是“实时转录”，也就是在会议进行中就把语音变成文字。它在真实环境里记错人名或术语，还会把人名记成同音字，但“自动预订三号会议室”确实不是它该管的事。选 B 是因为实时转录是所有后续功能的地基。

Q2. 下列哪项属于 Fathom 的行动项提取功能？

单选题 · easy

  • A.把会议录屏压缩成动图
  • B.从对话中提取任务与责任人← 正确答案
  • C.自动生成精美的会议封面
  • D.删除无人说话的静音片段

答案：B。行动项提取是 Fathom 的招牌能力，它从会议发言中识别出“谁在什么时候前做什么”。录屏转动图、生成封面、删静音都不是它的功能。选 B 是因为“提取任务与责任人”正是行动项提取的定义。

Q3. 说话人识别在实时转录中的作用是什么？

单选题 · easy

  • A.让字幕字体更美观更清晰
  • B.区分每句话对应的发言人← 正确答案
  • C.自动过滤环境中的噪音
  • D.将方言实时转换为普通话

答案：B。说话人识别也叫声纹分离，作用是根据每个人的音色特征，判断当前这句话是谁说的。这样转录稿才能显示“张伟：……”“李娜：……”。美化字幕、过滤噪音、翻译方言都不是它的职责。选 B 最准确。

Q4. 关于关键片段标记，以下哪些说法是正确的？

多选题 · mid

  • A.用户可点击时间线手动打标← 正确答案
  • B.AI 可按关键词频次推荐标记← 正确答案
  • C.必须由外包团队人工逐字复核
  • D.可生成带时间戳的分享链接← 正确答案

答案：ABD。Fathom 的片段标记有两种来源，手动打标和 AI 推荐，所以 A、B 都对；每个标记带时间戳，可生成分享链接跳转到录像对应位置，所以 D 也对。C 完全错误，Fathom 是 AI 自动处理，不需要外包人工复核。

Q5. 与 Otter 相比，Fathom 的核心优势更偏向？

单选题 · mid

  • A.支持多语种实时字幕
  • B.会后的纪要行动项闭环← 正确答案
  • C.提供更长免费录音时长
  • D.内置视频剪辑美化工具

答案：B。两者都能转写，但定位不同。Otter 更擅长实时字幕与课堂笔记，Fathom 更强调会议结束后的完整闭环：AI 摘要、行动项提取、同步到项目工具。选 B 是因为“纪要加行动项闭环”正是 Fathom 相对 Otter 的差异化优势。

Q6. 摘要压缩率 CR 的含义是？

单选题 · mid

  • A.摘要字数除以原文总字数← 正确答案
  • B.原文总字数除以摘要字数
  • C.会议时长除以参会人数
  • D.行动项数量乘以摘要字数

答案：A。压缩率衡量摘要的提炼程度，公式是“摘要长度 ÷ 原文长度 × 100%”。一小时会议原文上万字，摘要几百字，压缩率大约在 5%～15%。选 A 是唯一符合定义的选项，其他选项都混淆了分子分母或无关指标。

Q7. Fathom 提升团队会议效率的环节包括？

多选题 · mid

  • A.会前自动生成会议议程← 正确答案
  • B.会中参会者专注讨论← 正确答案
  • C.会后自动分发纪要与待办← 正确答案
  • D.替代所有线下社交沟通

答案：ABC。Fathom 覆盖会前、会中、会后三个环节：会前生成议程，会中靠自动转录解放参会者，会后自动整理分发纪要和行动项，所以 A、B、C 都对。但它不能替代线下社交，那是人的互动，不属于它的能力范围，D 错误。

Q8. 词错误率 WER 由哪三类错误构成？

单选题 · mid

  • A.替换、重复与插入错误
  • B.替换、删除与插入错误← 正确答案
  • C.删除、混淆与截断错误
  • D.插入、省略与反转错误

答案：B。WER 是语音识别领域的核心指标，统计三类错误：替换错误（S）、删除错误（D）、插入错误（I）。比如“周三”被写成“周期三”是替换，漏词是删除，多词是插入。选 B 是唯一完整的组合，其他选项掺杂了不存在的错误类型。

Q9. 关于 Fathom 的行动项提取机制，以下哪些说法正确？

多选题 · hard

  • A.借助信号词识别潜在任务句← 正确答案
  • B.可匹配责任人与截止时间← 正确答案
  • C.行动项可同步到外部工具← 正确答案
  • D.参会者必须手动逐字录入

答案：ABC。行动项提取通过“我负责”“请”“需要”等信号词定位任务句，再用模型抽取责任人和截止时间，最后可同步到 Jira、CRM 等工具，所以 A、B、C 都对。整个过程是 AI 自动的，不需要参会者手动录入，D 与设计理念相悖。

Q10. 下列哪种用法背离了 Fathom 的“会后整理”理念？

单选题 · hard

  • A.会后立即查看 AI 生成的纪要
  • B.只用实时字幕并弃用会议纪要← 正确答案
  • C.将行动项同步到团队看板
  • D.回看关键片段补齐遗漏细节

答案：B。Fathom 的价值在于会后整理闭环，包括纪要、行动项、关键片段。如果只用它的实时字幕，却弃用纪要，等于只用了小沓的一半能力，让行动项和总结都流失了。A、C、D 都是正确用法，B 与产品理念相悖。